Variační autoencoder a jeho rozšíření

Michaela Mašková

Variational Autoencoder and its Extensions

Type of document

bakalářská práce
bachelor thesis

Author

Michaela Mašková

Supervisor

Šmídl Václav

Opponent

Škvára Vít

Field of study

Matematické inženýrství

Study program

Aplikace přírodních věd

Institutions assigning rank

katedra matematiky

Rights

A university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.html
Vysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.html

Metadata

Show full item record

Abstract

Variační autoencoder je modelem, který v sobě kombinuje pravděpodobnostní přístup a sílu aproximací pomocí neuronových sítí. Lze jej využít jako generativní model nebo například v detekci anomálií. Jeho výhody i nevýhody, stejně jako jeho možná rozšíření, jsou předmětem bakalářské práce. Popsaný je dále Wassersteinův autoencoder a model s využitím VampPrior. Je odvozeno nové rozšíření směsi variačních autoencoderů s použitím EM algoritmu. Vlastnosti variačního autoencoderu a jeho rozšíření jsou demonstrovány na ukázkových i reálných datech.

Variational autoencoder combines probabilistic approach with powerful estimations via neural networks. The model can be used as a generative model as well as an anomaly detector. Its pros and cons, as well as its extensions, are the subject of this bachelor's thesis. Extensions like Wasserstein autoencoder and a model using VampPrior are described. A new extension using a mixture of variational autoencoders with the usage of EM algorithm is proposed. Properties of a variational autoencoder and its extensions are demonstrated on both artificial and real-world datasets.